电动农机有序充电策略的生成方法及装置

1.本技术涉及电力系统及其自动化技术领域，尤其涉及一种电动农机有序充电策略的生成方法及装置。


背景技术：

2.随着建设低碳社会和发展低碳经济，农业和农村领域的电能替代及其低碳化发展也越来越迫切。尤其是对于现代化农场和广大农村，随着未来农用机具的全面电动化，充电站、充电桩及充电网络的建设和商业化运营的也需要全面的建设和发展。
3.在农场地区大量引入电动农业机具，一方面可以通过消耗清洁能源而产生良好的环境效益，另一方面可以作为柔性可调节资源参与辅助服务市场。通过与电网的有效互动，电动农机的引入对环境保护和资源利用有重要作用。但目前电动农机的充电成本过高，限制了电动农机在未来农业生产场景下的发展及推广。


技术实现要素：

4.本技术实施例提供一种电动农机有序充电策略的生成方法及装置，用以解决相关技术中电动农机的充电成本过高的技术问题。
5.第一方面，本技术实施例提供一种电动农机有序充电策略的生成方法，包括：
6.获取农业机械信息和农业生产信息；
7.将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。
8.在一些实施例中，所述获取所述电动农机充电负荷模型输出的充电策略信息，包括：
9.基于所述农业机械信息和所述农业生产信息，得到无序负荷信息；
10.基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息。
11.在一些实施例中，所述基于所述农业机械信息和所述农业生产信息，得到无序负荷信息，包括：
12.拟合所述农业机械信息和所述农业生产信息，得到电池负荷状态的概率密度函数；
13.基于所述电池负荷状态的概率密度函数，使用蒙特卡洛模拟算法得到所述无序负荷信息。
14.在一些实施例中，所述基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息，包括：
15.判断所述无序负荷信息是否满足约束条件；
16.在满足所述约束条件的情况下，利用线性规划问题求解器获取所述充电策略信
息。
17.在一些实施例中，所述约束条件包括以下条件中的一种或多种：
18.电力系统安全稳定的约束条件；
19.电动农机电量需求的约束条件；
20.电动农机充电时间的约束条件；
21.电动农机充电间隔的约束条件；
22.电动农机电池容量的约束条件；
23.变压器容量的约束条件。
24.在一些实施例中，所述农业机械信息包括以下信息中的一种或多种：
25.电动农机的电池续航；
26.电动农机的充电功率；
27.电动农机的充电时长；
28.柴油机的工作时长。
29.在一些实施例中，所述农业生产信息包括以下信息中的一种或多种：
30.农业日的作业时长；
31.农业开始作业时间；
32.农业结束作业时间。
33.在一些实施例中，所述充电策略信息包括以下信息中的一种或多种：
34.电动农机的充电功率；
35.电动农机的充电时段；
36.电动农机的充电数量。
37.第二方面，本技术实施例还提供一种电动农机有序充电策略的生成装置，包括：
38.第一获取模块，用于获取农业机械信息和农业生产信息；
39.第二获取模块，用于将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。
40.在一些实施例中，所述第二获取模块包括第一处理子模块，第一获取子模块，其中：
41.所述第一处理子模块用于基于所述农业机械信息和所述农业生产信息，得到无序负荷信息；
42.所述第一获取子模块用于基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息。
43.在一些实施例中，所述第一处理子模块包括第一处理单元，第二处理单元，其中：
44.所述第一处理单元用于拟合所述农业机械信息和所述农业生产信息，得到电池负荷状态的概率密度函数；
45.所述第二处理单元用于基于所述电池负荷状态的概率密度函数，使用蒙特卡洛模拟算法得到所述无序负荷信息。
46.在一些实施例中，所述第一获取子模块包括第一判断单元，第三处理单元，其中：
47.所述第一判断单元用于判断所述无序负荷信息是否满足约束条件；
48.所述第三处理单元用于在满足所述约束条件的情况下，利用线性规划问题求解器获取所述充电策略信息。
49.在一些实施例中，所述约束条件包括以下条件中的一种或多种：
50.电力系统安全稳定的约束条件；
51.电动农机电量需求的约束条件；
52.电动农机充电时间的约束条件；
53.电动农机充电间隔的约束条件；
54.电动农机电池容量的约束条件；
55.变压器容量的约束条件。
56.在一些实施例中，所述农业机械信息包括以下信息中的一种或多种：
57.电动农机的电池续航；
58.电动农机的充电功率；
59.电动农机的充电时长；
60.柴油机的工作时长。
61.在一些实施例中，所述农业生产信息包括以下信息中的一种或多种：
62.农业日的作业时长；
63.农业开始作业时间；
64.农业结束作业时间。
65.在一些实施例中，所述充电策略信息包括以下信息中的一种或多种：
66.电动农机的充电功率；
67.电动农机的充电时段；
68.电动农机的充电数量。
69.第三方面，本技术实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述电动农机有序充电策略的生成方法。
70.第四方面，本技术实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述电动农机有序充电策略的生成方法。
71.第五方面，本技术实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述电动农机有序充电策略的生成方法。
72.本技术实施例提供的电动农机有序充电策略的生成方法及装置，通过考虑农业生产信息和农业机械信息，确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
附图说明
73.为了更清楚地说明本技术实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
74.图1是本技术实施例提供的电动农机有序充电策略的生成方法的流程示意图；
75.图2是本技术实施例提供的电动农机有序充电策略的生成方法的流程框图；
76.图3是本技术实施例提供的电动农机有序充电策略的生成装置的结构示意图；
77.图4是本技术实施例提供的电子设备的实体结构示意图。
具体实施方式
78.柴油发动机在运行过程中会产生大量二氧化碳，严重加剧全球气候变暖进程。从对部分农场柴油农机的调研结果来看，柴油农机的大范围使用不仅消耗了大量燃油，同时也会造成大量的碳排放，对地区生态环境保护和能源经济发展带来了巨大挑战。
79.因此，在农场地区大量引入电动农业机具，一方面可以通过消耗清洁能源而产生良好的环境效益，另一方面可以作为柔性可调节资源参与辅助服务市场。通过与电网的有效互动，电动农机的引入对环境保护和资源利用有重要作用，在保证正常农业生产生活的前提下，研究电动农机的日负荷特性有重要意义，为电动农机大规模引入电网奠定基础。
80.图1是本技术实施例提供的电动农机有序充电策略的生成方法的流程示意图，如图1所示，本技术实施例提供一种电动农机有序充电策略的生成方法，包括：
81.步骤101，获取农业机械信息和农业生产信息。
82.具体地，可以通过考虑实际的农业机械信息和农业生产信息，以生产季节的柴油农机生产数据为约束，类比形成电动农机的作业特性，建立满足电动农业生产生活需求的电动农机充电负荷模型。
83.其中，农业机械信息可以包括但不限于电动农机的电池续航、电动农机的充电功率、电动农机的充电时长、柴油机的工作时长等。农业生产信息可以包括但不限于农业日的作业时长、农业开始作业时间、农业结束作业时间等。
84.步骤102，将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。
85.具体地，通过考虑实际的农业生产实际、电动农机的机电特性和大田内的电动农机的供电模式，以生产季节的柴油农机生产数据为约束，类比形成电动农机的作业特性，建立满足电动农业生产生活需求的电动农机充电负荷模型，利用蒙特卡洛算法对农机负荷特性进行仿真；在电动农机充电负荷模型得到的无序充电负荷的基础上，考虑分时电价对用电成本造成的影响，以农机充电费为最小为目标函数，综合考虑电力系统完全稳定运行、电动农机电量、充电时间、充电间隔等约束条件，得到最佳的充电策略。
86.其中，充电策略可以包括但不限于确定电动农机的充电功率、确定电动农机的充电时段、确定电动农机的充电数量等。
87.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息和农业机械信息，确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
88.在一些实施例中，所述获取所述电动农机充电负荷模型输出的充电策略信息，包括：
89.基于所述农业机械信息和所述农业生产信息，得到无序负荷信息；
90.基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息。
91.具体地，对农业机械信息和农业生产信息进行统计参数拟合处理，得到农作开始时间和农机结束工作时的电池负荷状态的概率密度函数，并从处理后的数据中抽取电动农机关键数据，电动农机关键数据可以为电动农机的充电功率、电动农机的充电时长、柴油机的工作时长等。再从处理后的数据中抽取电池关键数据，电池关键数据可以为电动农机的电池续航、电动农机的电池容量等。然后根据预设算法确定充电时段，并根据农业生产信息判断确定的充电时段是否满足农业日生产生活的需求。在不满足生产生活需求的情况下，继续判断同一电动农机的下一个电池的充电时段是否满足农业日生产生活的需求。在满足生产生活需求的情况下，则继续确定下一个电动农机的电池的充电时段。从而获得所有电动农机的无序充电负荷结果。
92.对电动农机的无序充电负荷结果进行多约束条件的线性规划，在达到最优解且模型达到最大迭代次数的情况下，输出电动农机的充电策略。其中，约束条件可以包括但不限于电力系统安全稳定的约束条件、电动农机电量需求的约束条件、电动农机充电时间的约束条件、电动农机充电间隔的约束条件、电动农机电池容量的约束条件、变压器容量的约束条件等。
93.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息和农业机械信息，先确定电动农机的无序充电负荷结果，再确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
94.在一些实施例中，所述基于所述农业机械信息和所述农业生产信息，得到无序负荷信息，包括：
95.拟合所述农业机械信息和所述农业生产信息，得到电池负荷状态的概率密度函数；
96.基于所述电池负荷状态的概率密度函数，使用蒙特卡洛模拟算法得到所述无序负荷信息。
97.具体地，对农业机械信息和农业生产信息进行统计参数拟合处理，得到农作开始时间和农机结束工作时的电池负荷状态的概率密度函数，并从处理后的数据中抽取电动农机关键数据，电动农机关键数据可以为电动农机的充电功率、电动农机的充电时长、柴油机的工作时长等。再从处理后的数据中抽取电池关键数据，电池关键数据可以为电动农机的电池续航、电动农机的电池容量等。然后根据预设算法确定充电时段，并根据农业生产信息判断确定的充电时段是否满足农业日生产生活的需求。在不满足生产生活需求的情况下，继续判断同一电动农机的下一个电池的充电时段是否满足农业日生产生活的需求。在满足生产生活需求的情况下，则继续确定下一个电动农机的电池的充电时段。从而获得所有电动农机的无序充电负荷结果。
98.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息和农业机械信息，从而确定电动农机的无序充电负荷结果，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况。
99.在一些实施例中，所述基于所述无序负荷信息，获取所述电动农机充电负荷模型
输出的所述充电策略信息，包括：
100.判断所述无序负荷信息是否满足约束条件；
101.在满足所述约束条件的情况下，利用线性规划问题求解器获取所述充电策略信息。
102.具体地，对电动农机的无序充电负荷结果进行多约束条件的线性规划，在达到最优解且模型达到最大迭代次数的情况下，输出电动农机的充电策略。其中，约束条件可以包括但不限于电力系统安全稳定的约束条件、电动农机电量需求的约束条件、电动农机充电时间的约束条件、电动农机充电间隔的约束条件、电动农机电池容量的约束条件、变压器容量的约束条件等。
103.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息和农业机械信息，先确定电动农机的无序充电负荷结果，再确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
104.在一些实施例中，所述约束条件包括以下条件中的一种或多种：
105.电力系统安全稳定的约束条件；
106.电动农机电量需求的约束条件；
107.电动农机充电时间的约束条件；
108.电动农机充电间隔的约束条件；
109.电动农机电池容量的约束条件；
110.变压器容量的约束条件。
111.具体地，具体地，对电动农机的无序充电负荷结果进行多约束条件的线性规划，在达到最优解且模型达到最大迭代次数的情况下，输出电动农机的充电策略。其中，约束条件可以包括但不限于电力系统安全稳定的约束条件、电动农机电量需求的约束条件、电动农机充电时间的约束条件、电动农机充电间隔的约束条件、电动农机电池容量的约束条件、变压器容量的约束条件等。
112.例如，电力系统安全稳定的约束条件可以为，有序充电的电动农机最大负荷差值应小于无序充电的电动农机最大负荷差值。
113.再例如，电动农机电量需求的约束条件可以为，电动农机集群优化前后的充电总电量相等。
114.再例如，电动农机充电时间的约束条件可以为，次日的电动农机开始充电时间应在当日的农业时间之后。
115.再例如，电动农机充电间隔的约束条件可以为，农机电池运输时间和换电时间之和应小于电池充电时间和续航时长之差。
116.再例如，电动农机电池容量的约束条件可以为，每次充电的电池荷电状态应处于约束之间，小于电池最大容量，大于电池最小容量。
117.再例如，变压器容量的约束条件可以为，任意时刻的电动农机充电功率应小于变压器容量。
118.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑多方面的影响因素，并以这些影响因素作为约束条件，可以使输出的充电策略更加符合现阶段电动农机
的实际运行情况，也可以减少电动农机用户的充电成本。
119.在一些实施例中，所述农业机械信息包括以下信息中的一种或多种：
120.电动农机的电池续航；
121.电动农机的充电功率；
122.电动农机的充电时长；
123.柴油机的工作时长。
124.具体地，具体地，可以通过考虑实际的农业机械信息和农业生产信息，以生产季节的柴油农机生产数据为约束，类比形成电动农机的作业特性，建立满足电动农业生产生活需求的电动农机充电负荷模型。
125.其中，农业机械信息可以包括但不限于电动农机的电池续航、电动农机的充电功率、电动农机的充电时长、柴油机的工作时长等。
126.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息和农业机械信息，确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
127.在一些实施例中，所述农业生产信息包括以下信息中的一种或多种：
128.农业日的作业时长；
129.农业开始作业时间；
130.农业结束作业时间。
131.具体地，可以通过考虑实际的农业机械信息和农业生产信息，以生产季节的柴油农机生产数据为约束，类比形成电动农机的作业特性，建立满足电动农业生产生活需求的电动农机充电负荷模型。
132.其中，农业生产信息可以包括但不限于农业日的作业时长、农业开始作业时间、农业结束作业时间等。
133.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息和农业机械信息，确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
134.在一些实施例中，所述充电策略信息包括以下信息中的一种或多种：
135.电动农机的充电功率；
136.电动农机的充电时段；
137.电动农机的充电数量。
138.具体地，通过考虑实际的农业生产实际、电动农机的机电特性和大田内的电动农机的供电模式，以生产季节的柴油农机生产数据为约束，类比形成电动农机的作业特性，建立满足电动农业生产生活需求的电动农机充电负荷模型，利用蒙特卡洛算法对农机负荷特性进行仿真；在电动农机充电负荷模型得到的无序充电负荷的基础上，考虑分时电价对用电成本造成的影响，以农机充电费为最小为目标函数，综合考虑电力系统完全稳定运行、电动农机电量、充电时间、充电间隔等约束条件，得到最佳的充电策略。
139.其中，充电策略可以包括但不限于确定电动农机的充电功率、确定电动农机的充电时段、确定电动农机的充电数量等。
140.本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息
和农业机械信息，确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
141.下面以具体的例子，对上述实施例中的方法进行进一步说明。
142.图2是本技术实施例提供的电动农机有序充电策略的生成方法的流程框图，如图2所示，所述方法涉及农业生产规律、电动农机机电特性和电动农机充电模式，通过考虑实际的农业生产实际、电动农机的机电特性和大田内的电动农机的供电模式，以生产季节的柴油农机生产数据为约束，类比形成电动农机的作业特性，建立满足电动农业生产生活需求的电动农机充电负荷模型，利用蒙特卡洛算法对农机负荷特性进行仿真；在电动农机充电负荷模型得到的无序充电负荷的基础上，考虑分时电价对用电成本造成的影响，以农机充电费为最小为目标函数，综合考虑电力系统完全稳定运行、电动农机电量、充电时间、充电间隔等约束条件。具体内容如下：
143.一、确定电动农机供能模式。
144.参与农业生产的农用机具在生产季节集中外出作业，非生产季节统一集中存放在农机存放站。结合电动农机用能需求大、充电时间长、大田充电不便等作业需求，考虑农机存放站的地理辐射优势，提出了一种基于农机存放站的电动农机充-换电模式。该模式通过配置额外的农机电池，在农机存放站给农机电池集中充电，通过运输设备向大田农机进行点对点的分布式供能。电动农机从每天的农忙时刻开始作业，当农机电池荷电状态较低时，运输车将满电电池送至大田，备用电池给农机供电，亏电电池返回农机站进行充电，电池组不断循环迭代，解决了大田供电不便和农机电池续航的问题，保证了农业工作的用能需求。
145.二、确定电动农机充电负荷模型。
146.电动农机充电负荷模型取决于农机的开始充电时间，充电时长以及电池荷电状态。对某农村的生产季节家用农业机械和农业作业规律进行调研。其中，用农村中的柴油机农机等效电动农机作业特征，得到概率密度函数如下式所示：
147.t
start
～u(a，b)
[0148][0149]
其中，t
start
为农机开始工作时间，服从a为5:00，b为7:00的均匀分布；soc
1_i
为电动农机i的第一块电池结束工作的荷电状态；soc
n_i
为电动农机i的第n块电池结束工作的荷电状态，服从μs为0.01的正态分布。
[0150]
电动农机电池的开始充电时间由农机开始工作和电池续航时间和电池运输时间决定。表达式如下：
[0151]
t
char，i
(n)＝t
start
+(t
last
+t
delivery
)
×nꢀꢀꢀ
(2)
[0152]
其中，t
char，i
(n)为电动农机i的第n块电池的开始充电时间；t
last
为电池续航时间；t
delivery
为电池运输时间。
[0153]
电动农机电池的充电时长由电池荷电状态、充电功率和充电效率决定。表达式如下：
[0154]
δt
char，i
(n)＝(1-soc
n_i
)/(p
char
×
η)
ꢀꢀꢀ
(3)
[0155]
其中，δt
char，i
(n)为电动农机i第n块电池的充电时长；p
char
为农机额定充电功率；η为充电效率。
[0156]
电动农机的无序充电负荷公式为：
[0157][0158][0159][0160]
其中，p
machine
(t)为t时刻无序充电的电动农机总负荷水平；λi(j，t)为无序充电时电动农机i第j块电池在t时刻的充电判定系数；m为电动农机数；n为更换电池组数，为正整数；t
fuel
为柴油农机日工作小时数，为电动农机电池额定工作小时数，ceil为向上取整函数。
[0161]
三、确定目标函数。
[0162]
为了缓解负荷节点在引入电动农机后的峰时负荷压力，同时尽可能减少农机用户的用电成本，综合考虑分时电价，以农机站充电电费最小为目标函数，对电动农机充电行为进行优化。表达式如下：
[0163][0164][0165]
其中，为t时刻的电动农机总负荷水平；为电动农机i第j块电池在t时刻的充电判定系数，取值限制条件同λi(j，t)＝1。price
t
为t时段的电价；δt为时段长度。
[0166]
四、确定约束条件。
[0167]
满足电力系统安全稳定运行需要，在设备整个运行期内，有序充电的电动农机最大负荷差值应小于无序充电的电动农机最大负荷差值。电力系统安全稳定约束表达式如下：
[0168][0169]
为满足实际生活生产实际，次日的电动农机开始充电时间应在当日的农业时间之后，电动农机充电时间约束表达式如下：
[0170]
[0171]
为满足实际生活生产实际，次日的电动农机开始充电时间应在当日的农业时间之后，电动农机充电时间约束表达式如下：
[0172]
t
char_end，n
＜t
start，n+1
ꢀꢀꢀ
(11)
[0173]
其中，t
char_end，b
为当日农机电池充电结束时间，t
start，n+1
为次日农机开始工作时间。
[0174]
为满足实际生活生产实际，保证生产季节效率，农机电池运输时间和换电时间之和应小于电池充电时间和续航时长之差，电动农机充电间隔约束表达式如下：
[0175]
t
delivery
+t
char
＜t
char_n，i-t
battery_last
ꢀꢀꢀ
(12)
[0176]
其中，t
char
为农机电池更换时间；t
battery_last
为电池工作时间。
[0177]
为保证电池寿命，每次充电的电池荷电状态应处于约束之间，小于电池最大容量，大于电池最小容量，电动农机电池容量约束表达式如下：
[0178]
soc
min
＜soc
i，t
＜soc
max
ꢀꢀꢀ
(13)
[0179]
其中，soc
i，t
为电池i在t时刻的荷电状态；soc
min
为电池最小容量，可以取0.1；soc
max
为电池最大容量，可以取0.95。
[0180]
在原有基础上引入电动农机负荷会对节点安全带来问题，任意时刻的电动农机充电功率应小于变压器容量，变压器容量约束表达式如下：
[0181][0182]
其中，p
trans
为变压器最大容量。
[0183]
五、确定算法及流程。
[0184]
本技术实施例采用蒙特卡洛模拟算法求解模型，求解过程主要操作步骤如下：
[0185]
1、对农村的生产季节家用农业机械和农业作业规律进行调研或统计。其中，用某农村中的柴油机农机等效电动农机作业特征，用spss软件对已知数据进行拟合，得到农作开始时间和农机结束工作时的电池负荷状态的概率密度函数。
[0186]
2、以农作开始时间和农机结束工作时的电池负荷状态的概率密度函数，作为仿真算法的输入。
[0187]
3、抽取农机i的第n块电池的开始工作时间和结束时的电池荷电状态，根据公式(3)和公式(4)得到农机i的第n块电池的开始充电时间和充电时长。并重复循环得到农机i的第n+1块电池的数据，循环直至满足农机i的日生产生活需求。
[0188]
4、重复步骤3，得到满足农机i+1的日生产生活需求的电池充电情况。
[0189]
5、循环步骤3和步骤4，得到全部农机全部电池的充电情况，根据公式(4)和公式(5)得到全部农机的电动农机充电负荷模型。
[0190]
6、最后可以将所解问题抽象为多约束条件的线性规划问题，在matlab编译环境下，利用yalmip工具进行线性规划工具箱(gnu linear programming kit，glpk)求解器来求解。
[0191]
本技术实施例提供的电动农机有序充电策略的生成方法，通过考虑农业生产信息和农业机械信息，确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。
[0192]
图3是本技术实施例提供的电动农机有序充电策略的生成装置的结构示意图，如
图3所示，本技术实施例提供的电动农机有序充电策略的生成装置，包括第一获取模块301，第二获取模块302，其中：
[0193]
第一获取模块301，用于获取农业机械信息和农业生产信息；
[0194]
第二获取模块302，用于将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。
[0195]
在一些实施例中，所述第二获取模块包括第一处理子模块，第一获取子模块，其中：
[0196]
所述第一处理子模块用于基于所述农业机械信息和所述农业生产信息，得到无序负荷信息；
[0197]
所述第一获取子模块用于基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息。
[0198]
在一些实施例中，所述第一处理子模块包括第一处理单元，第二处理单元，其中：
[0199]
所述第一处理单元用于拟合所述农业机械信息和所述农业生产信息，得到电池负荷状态的概率密度函数；
[0200]
所述第二处理单元用于基于所述电池负荷状态的概率密度函数，使用蒙特卡洛模拟算法得到所述无序负荷信息。
[0201]
在一些实施例中，所述第一获取子模块包括第一判断单元，第三处理单元，其中：
[0202]
所述第一判断单元用于判断所述无序负荷信息是否满足约束条件；
[0203]
所述第三处理单元用于在满足所述约束条件的情况下，利用线性规划问题求解器获取所述充电策略信息。
[0204]
在一些实施例中，所述约束条件包括以下条件中的一种或多种：
[0205]
电力系统安全稳定的约束条件；
[0206]
电动农机电量需求的约束条件；
[0207]
电动农机充电时间的约束条件；
[0208]
电动农机充电间隔的约束条件；
[0209]
电动农机电池容量的约束条件；
[0210]
变压器容量的约束条件。
[0211]
在一些实施例中，所述农业机械信息包括以下信息中的一种或多种：
[0212]
电动农机的电池续航；
[0213]
电动农机的充电功率；
[0214]
电动农机的充电时长；
[0215]
柴油机的工作时长。
[0216]
在一些实施例中，所述农业生产信息包括以下信息中的一种或多种：
[0217]
农业日的作业时长；
[0218]
农业开始作业时间；
[0219]
农业结束作业时间。
[0220]
在一些实施例中，所述充电策略信息包括以下信息中的一种或多种：
[0221]
电动农机的充电功率；
[0222]
电动农机的充电时段；
[0223]
电动农机的充电数量。
[0224]
具体地，本技术实施例提供的上述电动农机有序充电策略的生成装置，能够实现上述电动农机有序充电策略的生成方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0225]
图4是本技术实施例提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行电动农机有序充电策略的生成方法，该方法包括：
[0226]
获取农业机械信息和农业生产信息；
[0227]
将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。
[0228]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0229]
在一些实施例中，所述获取所述电动农机充电负荷模型输出的充电策略信息，包括：
[0230]
基于所述农业机械信息和所述农业生产信息，得到无序负荷信息；
[0231]
基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息。
[0232]
在一些实施例中，所述基于所述农业机械信息和所述农业生产信息，得到无序负荷信息，包括：
[0233]
拟合所述农业机械信息和所述农业生产信息，得到电池负荷状态的概率密度函数；
[0234]
基于所述电池负荷状态的概率密度函数，使用蒙特卡洛模拟算法得到所述无序负荷信息。
[0235]
在一些实施例中，所述基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息，包括：
[0236]
判断所述无序负荷信息是否满足约束条件；
[0237]
在满足所述约束条件的情况下，利用线性规划问题求解器获取所述充电策略信息。
[0238]
在一些实施例中，所述约束条件包括以下条件中的一种或多种：
[0239]
电力系统安全稳定的约束条件；
[0240]
电动农机电量需求的约束条件；
[0241]
电动农机充电时间的约束条件；
[0242]
电动农机充电间隔的约束条件；
[0243]
电动农机电池容量的约束条件；
[0244]
变压器容量的约束条件。
[0245]
在一些实施例中，所述农业机械信息包括以下信息中的一种或多种：
[0246]
电动农机的电池续航；
[0247]
电动农机的充电功率；
[0248]
电动农机的充电时长；
[0249]
柴油机的工作时长。
[0250]
在一些实施例中，所述农业生产信息包括以下信息中的一种或多种：
[0251]
农业日的作业时长；
[0252]
农业开始作业时间；
[0253]
农业结束作业时间。
[0254]
在一些实施例中，所述充电策略信息包括以下信息中的一种或多种：
[0255]
电动农机的充电功率；
[0256]
电动农机的充电时段；
[0257]
电动农机的充电数量。
[0258]
具体地，本技术实施例提供的上述电子设备，能够实现上述执行主体为电子设备的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0259]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的电动农机有序充电策略的生成方法，该方法包括：
[0260]
获取农业机械信息和农业生产信息；
[0261]
将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。
[0262]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的电动农机有序充电策略的生成方法，该方法包括：
[0263]
获取农业机械信息和农业生产信息；
[0264]
将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。
[0265]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其
中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0266]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0267]
另外需要说明的是：本技术实施例中术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
[0268]
本技术实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0269]
本技术实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
[0270]
本技术中的“基于a确定b”表示确定b时要考虑a这个因素。并不限于“只基于a就可以确定出b”，还应包括：“基于a和c确定b”、“基于a、c和e确定b”、基于“a确定c，基于c进一步确定b”等。另外还可以包括将a作为确定b的条件，例如，“当a满足第一条件时，使用第一方法确定b”；再例如，“当a满足第二条件时，确定b”等；再例如，“当a满足第三条件时，基于第一参数确定b”等。当然也可以是将a作为确定b的因素的条件，例如，“当a满足第一条件时，使用第一方法确定c，并进一步基于c确定b”等。
[0271]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种电动农机有序充电策略的生成方法，其特征在于，包括：获取农业机械信息和农业生产信息；将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。2.根据权利要求1所述的电动农机有序充电策略的生成方法，其特征在于，所述获取所述电动农机充电负荷模型输出的充电策略信息，包括：基于所述农业机械信息和所述农业生产信息，得到无序负荷信息；基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息。3.根据权利要求2所述的电动农机有序充电策略的生成方法，其特征在于，所述基于所述农业机械信息和所述农业生产信息，得到无序负荷信息，包括：拟合所述农业机械信息和所述农业生产信息，得到电池负荷状态的概率密度函数；基于所述电池负荷状态的概率密度函数，使用蒙特卡洛模拟算法得到所述无序负荷信息。4.根据权利要求2所述的电动农机有序充电策略的生成方法，其特征在于，所述基于所述无序负荷信息，获取所述电动农机充电负荷模型输出的所述充电策略信息，包括：判断所述无序负荷信息是否满足约束条件；在满足所述约束条件的情况下，利用线性规划问题求解器获取所述充电策略信息。5.根据权利要求4所述的电动农机有序充电策略的生成方法，其特征在于，所述约束条件包括以下条件中的一种或多种：电力系统安全稳定的约束条件；电动农机电量需求的约束条件；电动农机充电时间的约束条件；电动农机充电间隔的约束条件；电动农机电池容量的约束条件；变压器容量的约束条件。6.根据权利要求1所述的电动农机有序充电策略的生成方法，其特征在于，所述农业机械信息包括以下信息中的一种或多种：电动农机的电池续航；电动农机的充电功率；电动农机的充电时长；柴油机的工作时长。7.根据权利要求1所述的电动农机有序充电策略的生成方法，其特征在于，所述农业生产信息包括以下信息中的一种或多种：农业日的作业时长；农业开始作业时间；农业结束作业时间。8.根据权利要求1所述的电动农机有序充电策略的生成方法，其特征在于，所述充电策略信息包括以下信息中的一种或多种：
电动农机的充电功率；电动农机的充电时段；电动农机的充电数量。9.一种电动农机有序充电策略的生成装置，其特征在于，包括：第一获取模块，用于获取农业机械信息和农业生产信息；第二获取模块，用于将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述电动农机有序充电策略的生成方法。

技术总结
本申请提供一种电动农机有序充电策略的生成方法及装置，所述方法包括：获取农业机械信息和农业生产信息；将所述农业机械信息和所述农业生产信息输入至电动农机充电负荷模型，获取所述电动农机充电负荷模型输出的充电策略信息；所述电动农机充电负荷模型是用于生成充电策略信息的无监督学习神经网络模型。本申请实施例提供的电动农机有序充电策略的生成方法及装置，通过考虑农业生产信息和农业机械信息，确定合理的充电策略，可以做到既满足电动农机用户的用能需求，又符合现阶段电动农机的实际运行情况，可以减少电动农机用户的充电成本。成本。成本。


技术研发人员：苏娟 刘峻玮 杜松怀 李拓 范雨菡 李寅峰 丁泽琦 黄泽涛
受保护的技术使用者：中国农业大学
技术研发日：2023.06.05
技术公布日：2023/9/20